XiaoMi-AI文件搜索系统
World File Search System可理解性
人工智能：感知、理解和训练兴趣的性别差异
摘要：鉴于人工智能（AI）在科学、商业和社会中的重要性日益增加，广泛的接受至关重要。然而，最近的研究表明，在未来就业市场中，新兴的人工智能驱动职业中女性的代表性严重不足。由于缺乏多样化的发展视角，这阻碍了技术的创新潜力。性别差异也体现在对人工智能的看法上：与女性相比，男性倾向于更积极地看待人工智能应用，对自己的人工智能能力评价更高，并且对技术更信任。然而，两性都同意人工智能决策的可理解性至关重要，并且同样愿意在人工智能领域继续深造。本研究旨在调查对人工智能的看法和理解中的性别相关方面，以及对人工智能主题的进一步教育和沟通交流机会的需求。为了实现这一目标，2023 年 5 月对女学生进行了焦点小组讨论。使用归纳编码方法对对话数据和所用材料进行分析。总体而言，女性认为知识是激发人们对人工智能更多兴趣的关键。然而，她们也发现了歧视、性别刻板印象和缺乏性别平等等障碍。此外，她们希望有更多实际的例子、改善有关人工智能优缺点的沟通，以及更民主和透明的决策过程。本文强调，包容性的教育环境需要对女性进行认识和教育，并采取措施消除歧视性障碍和刻板印象。此外，它建议女性尽早参与人工智能应用的开发，并制定明确的规则以确保工作场所的性别平等。这些研究结果为企业在引入人工智能时针对不同性别制定意识和培训流程规划提供了宝贵的支持。
人工智能：健康职业教育的机遇与挑战 Nilesh Kumar Mitra 1 , Ebenezer Chitra 2 , Pei Se Wong 3 , Chew Fei Sow 1 , Siti Suriani Binti Abd Razak 4 , Hui Meng Er 3,4 , Vishna Devi Nadarajah 1,4
人工智能 (AI) 是指能够通过应用算法、数据分析和计算来执行需要人类智能的任务的智能计算机系统。简而言之，AI 可以执行通常需要人类智能的认知任务。1 AI 的另一个重要方面是机器学习 (ML)，它可以通过经验学习、适应新输入并做出自主决策。机器学习模型使用大型数据集来识别模式并准确预测结果。这包括通过摄像头和传感器识别物体和面部。2 通过模仿人类智能，AI 可以解决各个领域的复杂问题，从每个应用程序中学习并提供各种解决方案来模仿智能人类行为。2022 年 11 月 30 日，OpenAI 发布了 ChatGPT（聊天生成预训练 Transformer），这是一个使用 OpenAI 的大型语言模型 (LLM) GPT-3 模型创建的高级聊天机器人，并通过监督和强化学习技术进行了细致的微调。 3 GPT-3 具有高级文本生成功能，可用于回答问题、起草电子邮件、撰写文章、创作诗歌、生成代码和翻译语言等任务。尽管 GPT-3（以及改进的 GPT-4）能够理解上下文、做出决策并处理冗长的对话，但教师们的反应喜忧参半，他们期待一种更具吸引力和可理解性的 AI 工具。4 反对者担心缺少参考资料、数据不准确以及科学回答缺乏深度，需要进一步分析。其他人开始接受这种工具，将其用于自己的学术角色，在谨慎行事的同时强调 AI 的重要性。在健康职业教育领域，
本地化
人工智能 (AI) 已成为我们社会的主要组成部分之一，其应用范围涵盖我们生活的方方面面。在这个领域，复杂且高度非线性的机器学习模型（例如集成模型、深度神经网络和支持向量机）在解决复杂任务方面始终表现出卓越的准确性。尽管准确，但人工智能模型通常是我们无法理解的“黑匣子”。依赖这些模型会产生多方面的影响，并引发对其透明度的重大担忧。敏感和关键领域的应用是尝试理解黑匣子行为的强大动机因素。我们建议通过聚合“局部”解释在黑匣子模型之上提供可解释层来解决此问题。我们提出了 GLocalX，一种“局部优先”模型不可知解释方法。从以局部决策规则形式表达的局部解释开始，GLocalX 通过分层聚合它们，将它们迭代地概括为全局解释。我们的目标是学习准确但简单且可解释的模型来模拟给定的黑匣子，并且在可能的情况下完全取代它。我们在标准和受限设置中的一组实验中验证了 GLocalX，这些实验对数据或本地解释的访问有限或根本没有访问。实验表明，GLocalX 能够使用简单和小型模型准确模拟多个模型，与原生全局解决方案相比达到最先进的性能。我们的研究结果表明，即使在具有高维数据的复杂领域中，也通常可以实现分类模型的高水平准确性和可理解性，而不必用一个属性换取另一个属性。这是值得信赖的人工智能的关键要求，对于高风险决策应用程序的采用必不可少。
人工智能系统声明的准确性以及解释准确性的类比如何影响人类对该系统的依赖
人工智能系统越来越多地被用于支持人类决策。适当地遵循人工智能建议非常重要。然而，根据现有文献，用户通常对人工智能系统的依赖程度过低或过高，这导致团队绩效不佳。在这种情况下，我们通过对比贷款预测任务中系统信息的缺乏与系统准确性的存在来研究所述系统准确性的作用。我们通过调查数字能力水平并借助类比来解释系统准确性，探索人类理解系统准确性的程度如何影响他们对人工智能系统的依赖，这是一项首创的受试者间研究 (𝑁 = 281)。我们发现，用类比来解释系统的所述准确性并不能帮助用户适当地依赖人工智能系统（即，用户倾向于在系统正确时依赖系统，否则依赖自己）。为了消除对类比领域的主观态度的影响，我们进行了一项受试者内研究（𝑁 = 248），其中每个参与者都从事来自不同领域的基于类比的解释的任务。第二项研究的结果证实，用类比来解释系统的准确性不足以促进在贷款预测任务中对人工智能系统的适当依赖，无论个人用户有何差异。根据我们从这两项研究中得出的结论，我们推断，对人工智能系统的依赖不足可能是由于用户高估了自己解决给定任务的能力。因此，尽管熟悉的类比可以有效地提高系统所述准确性的可理解性，但对系统准确性的更好理解并不一定会导致系统依赖性和团队绩效的提高。
请引用原文：Knapic, S., Malhi, A., Saluja, R., & Framling, K. (2021). 可解释人工智能在医学领域人类决策支持系统中的应用。机器学习与知识提取，3 (3), 740-770。https://doi.org/10.3390/make3030037
摘要：本文介绍了可解释人工智能方法在医学图像分析场景中提供决策支持的潜力。通过将三种可解释方法应用于同一医学图像数据集，我们旨在提高卷积神经网络 (CNN) 提供的决策的可理解性。视频胶囊内窥镜 (VCE) 获得的体内胃部图像是视觉解释的主题，目的是提高医疗专业人员对黑盒预测的信任度。我们实施了两种事后可解释机器学习方法，称为局部可解释模型不可知解释 (LIME) 和 SHapley 附加解释 (SHAP)，以及一种替代解释方法，即上下文重要性和效用 (CIU) 方法。产生的解释由人工评估。我们根据 LIME、SHAP 和 CIU 提供的解释进行了三项用户研究。来自不同非医学背景的用户在基于网络的调查环境中进行了一系列测试，并陈述了他们对给定解释的经验和理解。我们对具有三种不同解释形式的三个用户组（n = 20、20、20）进行了定量分析。我们发现，正如假设的那样，在改善对人类决策的支持以及更加透明从而让用户更容易理解方面，CIU 可解释方法比 LIME 和 SHAP 方法表现更好。此外，CIU 因能够更快地生成解释而优于 LIME 和 SHAP。我们的研究结果表明，在不同的解释支持设置之间，人类的决策存在显著差异。与此相符，我们提出了三种潜在的可解释方法，随着未来实施的改进，这些方法可以推广到不同的医疗数据集，并为医疗专家提供有效的决策支持。
招股说明书 - CANAL+ 集团
本文件包含根据第 2017/1129 号条例 (EU)（其构成《2018 年欧盟（退出）法案》中定义的保留的欧盟（以下简称“ EU ”）法律的一部分）（以下简称“ 招股说明书条例 ”）第 6 条制定的招股说明书，该文件涉及 Canal+ SA（以下简称“ 公司 ”），并已根据经修订的《2000 年金融服务和市场法案》（以下简称“ FSMA ”）第 87A 条获得英国金融行为监管局（以下简称“ FCA ”）作为招股说明书条例下的主管当局的批准，并根据英国金融行为监管局根据 FSMA 第 73A 条制定的招股说明书监管规则（以下简称“ 招股说明书监管规则 ”）编制并向公众提供。 FCA 仅批准本招股说明书符合《招股说明书条例》规定的完整性、可理解性和一致性标准，此类批准不应被视为对本招股说明书所涉及的发行人或证券质量的认可。投资者应自行评估投资证券的适宜性。本招股说明书并非向公众发出的认购或购买公司资本中已全额支付的普通股（“Canal+ 股份”）的要约或邀请，而仅因 Canal+ 股份被纳入 FCA 官方名单的普通股（商业公司）类别和伦敦证券交易所（“LSE”）的上市证券主要市场（“纳入”）而发行。拟定的上市将在部分拆分之后不久进行，除非上下文另有要求，本招股说明书是基于部分拆分决议将在维旺迪股东大会上通过且部分拆分将按提议生效的假设而编制的。
关于预测维护的特征选择的稳定性和均匀合奏：铣削中的刀具条件监视的分类应用
摘要：功能选择（FS）代表了许多基于机器学习的预测前维护（PDM）应用程序的重要步骤，包括各种工业流程，组件和监视任务。所选功能不仅是学习模型的输入，而且还可以影响进一步的决策和分析，例如，PDM系统的传感器选择和可理解性。因此，在部署PDM系统之前，至关重要的是检查输入数据中所选特征的可重复性和鲁棒性。这对于具有较低样本比率比（SDR）的现实世界数据集特别重要。然而，据我们所知，在PDM的领域尚未考虑FS方法在数据变化下的稳定性。本文通过铣削中的工具状况监测来解决此问题，其中采用了基于支持向量机和随机森林的分类器。我们使用五倍的交叉验证来评估三种流行的基于滤波器的FS方法，即Fisher评分，最小冗余最大相关性（MRMR）和RERIEFF，以稳定性和宏F1表示。此外，对于每种方法，我们研究了同质FS集合对两个性能指标的影响。为了获得广泛的见解，我们使用了从我们的实验和NASA的存储库中获得的四个（2：2）的铣削数据集，它们在操作条件，传感器，SDR，类等方面有所不同。对于每个数据集，对两个单独的传感器及其融合进行了研究。（2）在大多数情况下，Fisher得分（单和/或合奏）优越。在结论中：（1）不同的FS方法可以产生可比的宏F1，但FS稳定性值大为不同。（3）MRMR的稳定性总体上是不同设置（例如传感器，子集基数）的最低，最大的稳定性，并且是从整体中最有益的一种。
克诺尔股份公司
已申请将根据该计划发行的票据 (“票据”) 列入卢森堡证券交易所的官方名单，并在卢森堡证券交易所 (Bourse de Luxembourg) 的受监管市场或受监管市场的专业部分交易票据。卢森堡证券交易所的受监管市场是《金融工具市场指令 2014/65/EU》及其修订版 (“MiFID II”) 所指的受监管市场 (“受监管市场”)。根据该计划发行的票据也可能根本不上市。本基本招股说明书已获得卢森堡大公国（“卢森堡”）金融监管委员会（“CSSF”）的批准，该委员会是 2017 年 6 月 14 日欧洲议会和理事会第 2017/1129 号条例（经修订）（“招股说明书条例”）项下的主管当局。CSSF 仅批准本基本招股说明书符合招股说明书条例规定的完整性、可理解性和一致性标准。此类批准不应被视为对发行人或本基本招股说明书所涉票据质量的认可。投资者应自行评估投资票据的适宜性。发行人可要求 CSSF 向欧洲经济区 (EEA) 内其他东道国成员国的主管当局提供通知。通过批准本基本招股说明书，CSSF 不根据《卢森堡法》第 6(4) 条的规定对发行人运营的经济和财务稳健性或质量或偿付能力作出任何承诺。发行人已请求 CSSF 作为《招股说明书条例》和卢森堡证券招股说明书相关法律的主管当局（Loi related aux prospectus pour valeurs mobilières et portant mise en œuvre du règlement (UE) 2017/1129 - “ 卢森堡法律 ”），向德意志联邦共和国（“ 德国 ”）和奥地利共和国（“ 奥地利 ”）的主管当局提供批准证书，证明本基本招股说明书是根据《招股说明书条例》编制的（“ 通知 ”）。
国防部标准实践
4.8.24.5 设备面板标记（标牌）。.........................................................40 4.8.24.6 公制和美国（U.S.）标准测量。.........................................40 4.8.24.7 温度。....................................................................................................40 4.8.24.8 其他技术手册（TM）/交互式电子技术手册（IETM）。.............................................................................................40 4.8.24.9 表格。.............................................................................................40 4.8.24.10 图表和多页图表。.............................................................................40 4.8.24.11 索引号。.................................................................................................41 4.8.24.12 图表上的项目。...........................................................................................41 4.8.24.13 脚注。.........................................................................................................41 4.8.24.14 重复信息。....................................................................................41 4.8.25 方程式.............................................................................................................41 4.8.26 命名法。.................................................................................................41 4.8.26.1 命名法的一致性和适用性。.................................................................................41 4.8.26.2 官方/批准的命名法。...........................................................................41 4.8.26.3 军事术语。.................................................................................................41 4.8.26.4 自动电子测试和检验术语。......................................................41 4.8.27 可理解性。...........................................................................................41 4.8.28 图形。................................................................................................41 4.8.28.1 图形格式。.............................................................................................41 4.8.28.2 图形类型。.............................................................................................42 4.8.28.2.3.2 修饰。....45................................................................................................42 4.8.28.2.1 线条图...............................................................................................................42 4.8.28.2.2 多视图和多页插图..............................................................................................42 4.8.28.2.3 照片.......................................................................................................42 4.8.28.2.3.1 照片质量。......................................................................................................42 4.8.28.2.3.3 使用照片代替线条图。.............................................................................42 4.8.28.2.4 工程图。.............................................................................................42 4.8.28.2.5 图表。.............................................................................................................43 4.8.28.2.5.1 图表规范。....................................................................................43 4.8.28.2.5.2 图表类型。.........................................................................................43 4.8.28.2.6 图表和图形。.............................................................................................43 4.8.28.2.7 工具和测试设备插图。.............................................................................43 4.8.28.3 插图元素。.............................................................................43 4.8.28.3.1 边框规则和方框。....................................................................................43 4.8.28.3.2 人体图形的使用。.............................................................................43 4.8.28.3.3 信用额度。................................................................................................................44 4.8.28.3.4 标注。...........................................................................................................44 4.8.28.3.4.1 索引号。................................................................................................44 4.8.28.3.4.2 引线和箭头。...........................................................................................44 4.8.28.3.5 图例。................................................................................................44 4.8.28.3.6 插图步骤。................................................................................44 4.8.28.4 图形技术。..............................................................................................44 4.8.28.4.1 图号。..............................................................................................44 4.8.28.4.2 维修零件和专用工具清单 (RPSTL) 图号。
管理人工智能可解释性对立效应之间的紧张关系：权变理论的视角
摘要 目的——对数据分析和人工智能 (AI) 系统的可解释性和可解释性的研究正在兴起。然而，最近的大多数研究要么仅仅宣传可解释性的好处，要么批评它会产生适得其反的效果。本研究针对这一两极分化的领域，旨在确定人工智能可解释性的对立影响及其之间的紧张关系，并提出如何管理这种紧张关系以优化人工智能系统的性能和可信度。 设计/方法/方法——作者系统地回顾文献，并使用权变理论的视角对其进行综合，以开发一个管理人工智能可解释性对立影响的框架。 发现——作者发现了可解释性的五个对立影响：可理解性、行为、保密性、完整性和对人工智能的信心 (5C)。作者还提出了管理 5C 之间紧张关系的六个观点：解释的实用主义、解释的情境化、人类机构和人工智能机构的共存、指标和标准化、监管和道德原则以及其他新兴解决方案（即人工智能封装、区块链和人工智能模糊系统）。研究局限性/含义——与其他系统文献综述研究一样，结果受到所选论文内容的限制。 实际意义——研究结果表明，人工智能所有者和开发者如何通过可见性、问责制和维护人工智能的“社会利益”来管理盈利能力、预测准确性和系统性能之间的紧张关系。研究结果指导从业者以人工智能操作的背景为重点，制定人工智能可解释性的指标和标准。 原创性/价值——本研究探讨了学者和从业者对人工智能可解释性的好处与其适得其反的影响的两极化看法。它提出，没有单一的最佳方法来最大化人工智能的可解释性。相反，必须管理促成效应和制约效应的共存。 关键词 权变理论、系统文献综述、可解释人工智能、可解释分析、缓解策略、相反影响 论文类型 研究论文